本研究采用高分辨率航空图像和机器学习算法，研究了1m空间分辨率的第一代森林冠层覆盖（面心立方）数据集，并使用谷歌地球引擎云计算平台进行了处理和分析。FCC 数据集是使用高分辨率航空图像和随机森林 (RF) 机器学习算法生成的，并使用 Google Earth Engine 云计算平台进行处理和分析。Hansen 等人使用从 TCC 百分比数据获得的三分之一的观测值（即参考位置）对生成的 FCC 数据集进行了验证。数据集和 0.6 米空间分辨率的国家农业影像计划 (NAIP) 航空影像。结果表明，该数据集成功识别了研究区域内 1 米分辨率的 FCC，每个县的总体准确率在 83.31% 至 94.35% 之间。生成的 FCC 数据集与 Hansen 等人的数据集之间的空间比较结果。和 USFS 产品也显示出很强的正相关性，县和市级别的 R2 值在 0.94 到 0.98 之间。该数据集为阿肯色州和其他地区的森林资源监测、预测和管理提供了宝贵的信息。此外，这项研究的结果证明，使用机器学习和云计算技术可以产生高分辨率的森林覆盖数据集，并可以应用于世界其他地区。
美国阿肯色州研究区地图
由射频分类器识别的变量重要性；变量按不同的颜色分为四类。（第2.3节，表1、表2）。高值的变量比低值的变量更重要
美国阿肯色州每个县的最终森林林冠覆盖（面心立方）地图的总体准确性
从NAIP图像中提取的美国阿肯色州森林树冠覆盖度（面心立方）的可视化。像素为1平方米
从NAIP图像中提取的美国阿肯色州每个县的森林树冠覆盖度百分比（面心立方）。像素为1平方米
研究区域内面心立方的选定例子： (a) NAIP图像，(b)NAIP-数据来源的高分辨率森林覆盖地图，(c) TCC百分比数据汉森等人（2013），(d)美国林业局的TCC产品，(e) NAIP图像，(f)NAIP数据来源网站的高分辨率森林覆盖地图，(g) TCC百分比数据汉森等人（2013），(h)美国林业局的TCC产品(i)网站的NAIP图像，(j)NAIP-数据高分辨率森林覆盖地图，(k)Hansen等人（2013）的数据，(l)美国。林业局的C站点的TCC产品
来自NAIP图像的面心立方与来自Hansen等人（2013）的面心立方和USFS产品之间的差异的散点图。结果显示了阿肯色州的面心立方：（a和b）在县级（n = 75），（c和d）在城市级（n = 500）。残差尺度的图例表明了差异的程度，更红色代表Hansen等人（2013）的更多的面心立方区域，USFS产品，更蓝的颜色代表NAIP图像中更多的面心立方区域。两种产品之间没有差异的区域将显示为灰色。黑色的虚线是拟合的线，蓝色的1：1线作为参考
